[發明專利]一種IT/OT驅動的技術管理創新方法

有效

• 申請號: 202011289591.0
• 申請日: 2020-11-17
• 公開（公告）號: CN112199517B
• 公開（公告）日: 2023-07-18
• 發明（設計）人: 江平宇;李普林;郭威;楊茂林;蘇婷
• 申請（專利權）人: 西安交通大學
• 主分類號: G06F16/36
• 分類號: G06F16/36;G06F16/35;G06F16/26;G06F40/295;G06Q10/0639
• 代理公司: 西安智大知識產權代理事務所 61215
• 代理人: 弋才富

1.一種IT/OT驅動的技術管理創新方法，其特征在于，包括以下步驟：

S1：基于DCAM文本挖掘算法，構建IT/OT驅動的生產技術領域知識圖譜；

S2：基于生產技術先進度評估體系，計算管理者需求中的等級，與步驟S1中所建領域知識圖譜中的先進生產技術實體進行基于特征向量表示，包括以下流程：

(1)建立生產技術先進度評估體系，確定管理者需求中的等級；

生產技術先進度評估體系中包括生產技術先進度模型、指標體系、生產技術先進度評價方法和分數與等級對應關系；先進度評估是當前生產過程所用到的生產技術的先進程度的量化指標，先選擇生產過程域，從信息化級開始，對指標進行打分，要滿足某個先進度等級，指標得分就應該滿足該等級要求；先進度模型中包括6個域和4個等級，6個域分別是采購、計劃與調度、生產作業、質量控制、倉儲與物流和安全與環保，4個等級分別是信息化、數字化、集成化、智能化和各等級的先進度要求；6個域和4個等級的對應關系如下：

(2)建立特征詞集合，管理者需求與先進生產技術實體候選集進行基于特征詞集合的向量表示；

特征詞集合是在百科網站和文獻關鍵詞中抽取，得到的產品和生產過程領域的同義詞；管理者需求采用特征詞進行文本表示；先進生產技術實體候選集，將其文本中表示產品、生產領域的特征詞作為文本表示，即可得到管理者需求特征向量UN＝(un₁,un₂)和每個先進生產技術特征向量d_i＝(at₁,at₂)；

S3：依據步驟S2中的特征向量，基于向量空間模型推薦得到技術路線圖，包括以下流程：

(1)根據管理者需求中的等級關鍵詞，檢索得到候選集；

(2)進行文本內容相似度計算，排序；將管理者需求的特征詞向量UN＝(un₁,un₂)與先進生產技術特征向量d_i＝(at₁,at₂)進行比較，根據兩者的余弦距離計算相似度Sim(UN,d_i)；

(3)將文本的相似度Sim(UN,d_i)進行排序后，各等級排名前二的先進生產技術返回給管理者，組成技術路線圖；

S4：圍繞技術路線圖進行基于PIE流模型的應用實施，包括以下流程：

(1)引入技術路線，進行項目準備

首先，引入包括n個等級先進生產技術的技術路線，由技術管理人員確定組織成員和項目周期；然后，對技術路線從架構到實施方案按照生產準備、生產配置和生產運行三方面逐步實例化，實例化指用類創建對象的過程；最后，根據等級i的生產技術實施方案制定工作計劃；

(2)圍繞技術路線進行技術路線實施

技術路線實施包括項目任務進度監控管理和知識監控管理；

所述的項目任務進度監控管理包括4個步驟，分別是：建立多資源約束的任務排程問題模型、基于自適應遺傳算法對多資源約束的任務排程問題模型進行求解，計算緩沖區大小和實施緩沖耗費控制；

所述的知識監控管理采用知識融合的方法實現，在開展流模型項目過程中，由于先進生產技術實體的加工和實踐經驗所得到的知識，比領域知識圖譜中已有知識更為可靠，因此建立沖突消解規則來替換領域知識圖譜中已有的不可靠知識；

(3)進行項目績效評估

首先，建立基于BSC的項目績效評估指標體系；其次，由于指標之間有交叉作用關系，故采用ANP計算指標權重；最后，建立了績效得分與等級的對應關系。

2.根據權利要求1所述的一種IT/OT驅動的技術管理創新方法，其特征在于，步驟S1所述的DCAM文本挖掘算法，具體包括以下流程：

(1)命名實體識別

命名實體識別是通過構造隱條件隨機場HCRF模型對實體的隱藏狀態進行分類；首先利用人工標記數據學習出種子規則和詞典，在未標記語料中抽取候選詞及其上下文，形成候選集的選?。黄浯危ㄟ^與已標記語料進行上下文相似度的計算，對大于等于相似度閾值的實體，即可被正確分類，加入到正例集中；然后，把學習到的內容作為輸入，把未被識別出的實體作為隱藏狀態，訓練HCRF分類器，最終識別出所有的領域命名實體；具體為：

假設需要識別的文本序列為X＝{x₁,x₂,…,x_L}，相應的標記序列為Y＝{y₁,y₂,…,y_L}，那么對于生產技術領域命名實體識別任務，y_L即為待識別實體的類別，給定手工標記的訓練數據T＝{(X₁,Y₁),(X₂,Y₂),…,(X_T,Y_T)}和自學習所得的訓練數據T′＝{(X₁,Z₁),(X₂,Z₂),…,(X_T,Z_T)}，由于只有高相似度的部分進行了標記，所以T′可能存在缺失；若沒有缺失，若出現缺失，就是隱藏狀態；設學習所得的標簽序列中隱藏狀態集合為H＝{h₁,h₂,…,h_M}，則標記序列的條件概率為式中ψ(y,h,x；λ)-勢函數，其計算方法如下：假設觀察值的變動只與隱藏狀態相關并且不包含邊界，那么根據最大熵模型，對數似然函數可以寫成式中其中為懲罰因子；

(2)關系抽取

關系抽取是在模板和實體對的抽取過程中加入過濾函數，模板抽取的過濾函數為式中#match_seed.old表示既有的實體對，#match_seed.new表示新實體對；實體對抽取的過濾函數為式中#match_pattern.old表示既有的模式，#match_pattern.new表示新模式。